TL;DR

この記事の結論

  1. VibeVoice は Microsoft の音声 AI モデル群（MIT、GitHub スター約5.7万）。文字起こし（ASR）と音声合成（TTS）の両方を含む
  2. 目玉の ASR は「最大60分の音声を一括処理し、誰が・いつ・何を話したか」を構造化して返す。会議やポッドキャストの文字起こしに直結する設計
  3. ただし Microsoft 自身が「研究・開発目的のみ。追加のテストなしに商用・実運用への利用は推奨しない」と明記している。ライセンス（MIT）と公式の推奨範囲は分けて理解する必要がある

VibeVoice とは

  • microsoft/VibeVoice（GitHub、MIT ライセンス）。2025年8月に公開され、スター約5.7万（2026-11-08 時点）
  • 音声を 7.5Hz という低いフレームレートのトークンで扱う設計が特徴で、長尺音声の処理効率を稼いでいる
  • モデルは Hugging Face で公開され、ASR は Hugging Face Transformers からも利用可能になった（2026-03）

モデルの内訳

  • VibeVoice-ASR（7B）：最大60分の音声を一括で文字起こし。話者分離とタイムスタンプ付きの構造化出力を返し、専門用語などを「ホットワード」として渡せる。50以上の言語に対応
  • VibeVoice-ASR-Streaming（2026-09）：音声が届くそばから逐次文字起こしする版。ホットワード対応、10言語
  • VibeVoice-ASR-BitNet（2026-07）：CPU 推論向けに圧縮した版。モデルを 4.62GB から 1.58GB に圧縮し、GPU なしでもリアルタイム推論をうたう
  • VibeVoice-Realtime-0.5B：ストリーミング入力対応の軽量 TTS。初回の発話まで約300ミリ秒とされる
  • VibeVoice-TTS-1.5B：最大90分・最大4話者の長尺 TTS。ただし後述の経緯で、推論コードは公式リポジトリから取り下げられている

実務ポイント

  • 文字起こし用途では「60分一括＋話者分離」が既存の OSS（Whisper 系は短い区間の処理が基本）と異なる強み。長い会議録音をそのまま渡せる
  • 試すだけなら公式の Playground や Colab が用意されている。手元の環境に GPU がなくても入口はある
  • Microsoft のクラウド（Azure AI Foundry Labs）にも組み込まれており、OSS でありながら公式の実験場が用意されている

注意点

  • TTS-1.5B の推論コードは 2025-09-05、用途外の使われ方（悪用事例）を受けて公式リポジトリから削除された。重みは Hugging Face に残っているが、公式リポジトリからそのまま動かすことはできない
  • 公式は「研究・開発目的のみ」と明記し、ディープフェイクやなりすましへの悪用リスクにも触れている。声の合成は他者の声の扱いに特に注意が要る
  • コードと重みは MIT だが、「MIT だから商用で自由に使ってよい」と即断せず、公式の推奨範囲（追加検証なしの商用利用は非推奨）をセットで見るのが正確

参考リンク

GitHubmicrosoft/VibeVoice（GitHub）

Microsoft の音声 AI モデル群（ASR / TTS）の公式リポジトリ

各リンクは一次情報（公式）へのリンクで、2026-11-08 に確認した。